LFM3-Omni-2B против LFM2.5-VL-3B: преемник, который видит меньше

Новейшая мультимодальная модель Liquid AI хуже справляется со зрением, чем модель, которую она заменила. На RealWorldQA LFM3-Omni-2B набирает 66,68, а LFM2.5-VL-3B — 73,1. На MMStar — 55,67 против 63,3. На RefCOCO при указании по референтным выражениям — 73,55 против 87,9. На MMBench — 73,68 против 81,0. В четырёх из пяти бенчмарков, по которым обе модели публикуют результаты, преимущество у более старого, более крупного чекпоинта, работающего только со зрением, и разрыв не случаен — он составляет от семи до четырнадцати пунктов в зависимости от строки. Маршрутизация между двумя моделями не должна добавлять комиссию платформы. Наценка 0% Списочные цены провайдеров передаются без изменений.

Это не скандал. Это то, что происходит, когда вы просите меньшую сеть выполнять больше задач одновременно, и это самый полезный факт для любого, кто выбирает между этими двумя контрольными точками. LFM3-Omni-2B — не путь обновления для продукта компьютерного зрения. Это другой продукт, который просто носит то же семейное имя.

Две модели выполняют разные задачи

Путаница объяснима, ведь эти две модели выглядят как последовательные поколения одной и той же идеи. Обе созданы Liquid AI, обе предназначены для развёртывания на устройстве, обе не имеют режима рассуждений, обе наследуют LFM Open License v1.0 и обе рассчитаны примерно на один и тот же объём памяти. LFM2.5-VL-3B вышла 12 августа 2026 года как специализированная визуально-языковая модель: текстовая основа на 2,6 млрд параметров в паре с 400-миллионным энкодером SigLIP2 NaFlex, всего около 3,1 млрд параметров.

LFM3-Omni-2B, опубликованная 27 октября 2026 года, — это модель any-to-any. Она принимает текст, изображения, видео со звуковой дорожкой или без неё и аудио с частотой 16 кГц, а возвращает текст, речь с частотой 24 кГц или и то, и другое. Зрение — лишь один из четырёх входных путей, а не вся задача. Бюджет параметров сократился с 3.1B до 2.17B, тогда как число задач выросло с одной до четырёх, и именно на показателях зрения эта арифметика даёт о себе знать.

• Параметры — 2,17 млрд плотных параметров у LFM3-Omni-2B против примерно 3,1 млрд у LFM2.5-VL-3B, из которых 400 млн приходится на визуальный энкодер.

• Входные данные — текст, изображение, видео и аудио 16 кГц против текста, изображения и видео.

• Выходы — текст и речь 24 кГц против только текста.

• Контекст — 32 768 токенов против 32 768 токенов. Идентично, и оба учитывают ввод плюс вывод.

• Бюджет визуальных токенов — 2 048 визуальных токенов на изображение, нативное разрешение против патчей 512 пикселей нативного разрешения с путём к миниатюре.

• Позиционирование — универсальная замена конвейеру из четырёх моделей по сравнению со специализированной VLM для OCR, понимания интерфейсов и ответов на визуальные вопросы.

• Лицензия — LFM Open License v1.0 в обоих случаях, включая порог выручки, определяющий коммерческое использование.

Где числа действительно пересекаются

Сравнения моделей из разных лабораторий по бенчмаркам обычно недобросовестны, потому что используемые стенды различаются. Это сравнение чище большинства: оба чекпоинта оценивались одной и той же компанией, в одном и том же режиме без рассуждений, и оба приводят результаты по пяти одним и тем же наборам данных. Это не делает числа независимыми — они не независимы, — но всё же делает их сопоставимыми друг с другом так, как таблицы межлабораторных сравнений бывают сопоставимы редко.

• RealWorldQA — 66,68 у LFM3-Omni-2B против 73,1 у LFM2.5-VL-3B. Падение на 6,4 пункта в вопросах о повседневных сценах.

• MMStar — 55,67 против 63,3. Падение на 7,6 пункта на бенчмарке, созданном для устойчивости к загрязнению данных.

• MMBench — 73,68 против 81,0. Падение на 7,3 пункта по широким мультимодальным возможностям.

• RefCOCO: указание — 73,55 против 87,9. Падение на 14,4 пункта, самый широкий разрыв в наборе, в задаче локализации названного объекта на изображении.

• DocVQA — 92.47 против 91.1. Исключение: LFM3-Omni-2B опережает на 1,4 балла в ответах на вопросы по документам.

Результат DocVQA — это то, что не позволяет свести всё к простой истории «новая модель хуже». Текст документов — это задача, где способность унифицированной модели читать страницу в высоком разрешении и рассуждать о ней за один проход может превзойти конвейер, — и это также задача, где ограничение Liquid в 2048 токенов на изображение должно вредить сильнее всего. То, что omni-модель там всё равно побеждает, говорит о том, что деградация зрения неоднородна по задачам. Она сосредоточена в пространственных задачах и задачах с указанием на объекты — а именно там и следовало бы ожидать, что модель с меньшим объёмом специализированных визуальных возможностей будет испытывать трудности.

Сколько стоят дополнительные модальности

Аудиотракт не бесплатен, и в карточке на удивление ясно сказано, на что уходит эта плата. Контекст в 32K совместно используется всеми модальностями: видео с частотой 2 кадра в секунду на 384 кадра занимает большую часть окна ещё до того, как вы задали вопрос. Изображения ограничены 2 048 визуальными токенами каждое — это примерно потолок разрешения для чтения плотного текста на фотографии. Модель только с зрением имеет тот же контекст в 32K, но ей не нужно тратить его часть на аудио.

Вывод речи добавляет второе соображение, никак не связанное с бенчмарками. LiquidCodec преобразует сгенерированные токены в аудио с частотой 24 кГц быстрее реального времени — именно это делает возможными потоковые голосовые ответы. Но карточка модели документирует обслуживание через SGLang только для текстового вывода и не описывает, как обслуживается речевая ветка. Если вам нужны голосовые ответы из собственной инфраструктуры, эталонная реализация для этой половины модели отсутствует. Сравните это с LFM2.5-VL-3B, за которым стоит год экосистемы инструментов — GGUF, MLX, vLLM, SGLang, ONNX — и сообщения о 228 токенах в секунду на M5 Max при менее чем 3,3 ГБ памяти.

Зрелость — это не строка в бенчмарке, но именно она решает, будут ли развертывания. Модель, которая работает везде уже сегодня, лучше модели, которая заработает на одном пути только завтра, если только дополнительная модальность не является причиной, по которой вы здесь.

Как выбрать

Если задача — читать скриншоты, разбирать документы, указывать на объекты или отвечать на вопросы по видеопотоку с камеры, то LFM2.5-VL-3B — лучшая модель, и по важным строкам она заметно впереди. В частности, разрыв в 14 пунктов по RefCOCO должен закрыть вопрос для любого сценария робототехники или UI-автоматизации. То, что у модели 3,1 млрд параметров, не мешает, когда альтернатива — модель на 2,17 млрд, тратящая треть своей ёмкости на уши и рот.

Если задача предполагает, что человек говорит с устройством, а устройство отвечает ему — киоск, телефонный ассистент, полевой инструмент, когда руки заняты — LFM3-Omni-2B делает то, что LFM2.5-VL-3B не может сделать ни при каком количестве параметров. Вы не выбираете худшую модель зрения; вы выбираете объединение четырёх моделей в одну и принимаете ухудшение работы со зрением как цену этого объединения.

Есть третий вариант, который таблица бенчмарков делает очевидным: запустить оба. Специалист по зрению для кадров, omni-модель для разговора. Это два чекпоинта и около 7,4 ГБ в BF16, что всё ещё помещается в память одной GPU среднего сегмента. У OrcaRouter есть routing DSL, созданный именно для такой композиции — одна конечная точка, правила, которые отправляют запрос с изображением и текстом специалисту, а речевой запрос — omni-модели, с автоматическим переключением при сбое, если откажет любой из путей. Ни одного из этих чекпоинтов сегодня нет в нашем каталоге, так что это скорее шаблон, чем обещание; суть в том, что у вопроса «какую модель выбрать» есть третий ответ, о котором не упоминает ни один из анонсов запуска вендоров.

Вердикт

LFM3-Omni-2B — это настоящее инженерное достижение с 2,17 млрд параметров и плохая замена LFM2.5-VL-3B в любом приложении, ориентированном в первую очередь на визуальную работу. Честный способ воспринимать эту пару — как ответвление в собственной продуктовой линейке Liquid: одна ветвь оптимизирована для зрения, другая — для участия в разговоре. Название семейства и общая лицензия создают впечатление, что это последовательность. Таблица бенчмарков говорит, что они — родственные модели, и старшая из них лучше справляется с тем, для чего была создана.

Изменить эту оценку могла бы независимая проверка, потому что всё приведённое выше сравнение опирается на цифры, которые Liquid получила о своих собственных двух моделях. Возможно, что omni-модель оценивали на более сложных вариантах этих наборов данных или в режиме, который ставит её в невыгодное положение. Ничто в карточке на это не указывает, а согласованное направление в четырёх из пяти строк говорит против этого. Пока кто-то за пределами компании не воспроизведёт любую из этих таблиц, самая безопасная интерпретация — она же и самая простая: специализированная модель лучше видит, а omni-модель лучше слышит.